从零开始算法篇之分治(二)

快乐8 Ai大模型XGBoost LightGBM预测系统 随机森林回归:通过集成多个决策树模型,提高预测的准确性和稳定性。XGBoost:一种基于梯度提升的强大模型,擅长处理结构化数据。LightGBM:一种高效的基于决策树算法的分布式梯度提升框架,具有快速的训练速度和低内存消耗。高预测准确率:通过集成多种模型,提供更为精准的预测结果。多种预测方法:支持同尾号、重号、温号、连号和综合预测等多种预测策略,满足不同用户的需求。实时日志:在预测过程中,用户可以实时查看系统的预测进度和结果。 阅读详情

1. 回顾

回顾笔者以前记录的文章,DSAA之最大子序列之和问题(三)第一次遇到分治的思想,对最大子序列求和问题使用分治可以将 O ( n 3 ) O(n^3) O(n3)降低到 O ( n l o g n ) O(nlogn) O(nlogn);然后在 DSAA之合并排序学习到了归并排序,使用分治的思想可以将排序的时间复杂度稳定在 O ( n l o g n ) O(nlogn) O(nlogn);之后DSAA之快速排序(一)篇中也使用了分治策略,并且进阶的分析到了如果**治阶段不是线性复杂度,则采取分治可能并不改善算法整体复杂度。**本篇根据DSAA将阐述几个分治思想的例子,虽然并不实用,然后再实战一个leetcode分治题结束。

2. 分治时间复杂度

定理1

The solution to the equation T ( n ) = a T ( n / b ) + Θ ( n k ) T(n) = aT(n/b) + \Theta (n^k) T(n)=aT(n/b)+Θ(nk), where a > 1 a > 1 a>1 and b > 1 b > 1 b>1, is:

T ( n ) = { O ( n l o g b a ) i f a > b k O ( n k l o g n ) i f a = b k O ( n k ) i f a < b k T(n) =\left\{ \begin{aligned} O(n^{log_{b}a}) && if&&a>b^k\\ O(n^k{logn}) &&if&&a=b^k \\ O(n^k) &&if&&a<b^k \end{aligned} \right. T(n)=⎩ ⎨ ⎧​O(nlogb​a)O(nklogn)O(nk)​​ififif​​a>bka=bka<bk​

定理2

The solution to the equation T ( n ) = a T ( n / b ) + ( n k l o g p n ) T(n) = aT(n/b) + (n^klog^pn) T(n)=aT(n/b)+(nklogpn), where a ≥ 1 a\geq1 a≥1, b > 1 b > 1 b>1,
and p ≥ 0 p\geq 0 p≥0 is

T ( n ) = { O ( n l o g b a ) i f a > b k O ( n k l o g p + 1 n ) i f a = b k O ( n k l o g p n ) i f a < b k T(n) =\left\{ \begin{aligned} O(n^{log_{b}a}) && if &&a>b^k\\ O(n^k{log^{p+1}n}) &&if &&a=b^k \\ O(n^klog^pn) &&if &&a<b^k \end{aligned} \right. T(n)=⎩ ⎨ ⎧​O(nlogb​a)O(nklogp+1n)O(nklogpn)​​ififif​​a>bka=bka<bk​

定理3

∑ i = 1 k a i < 1 \sum_{i=1}^{k}a_{i}<1 ∑i=1k​ai​<1, then the solution to the equation T ( n ) = ∑ i = 1 k T ( a i n ) + O ( n )   a i < 1 T(n)=\sum_{i=1}^{k}T(a_{i}n)+O(n) a_{i}<1 T(n)=∑i=1k​T(ai​n)+O(n) ai​<1 is T ( n ) = O ( n ) T(n) = O(n) T(n)=O(n).

这些公式不需要记忆,一般碰到的分治都是 O ( n l o g n ) O(nlogn) O(nlogn),但是一些具体的问题可能并不满足这个界,需要按照仔细查找上面的公式。

3. 两个经典的例子

本部分将是高度概括和总结,只将例子中重点的部分拿出来讨论下。

最近点问题

一般很容易想到暴力解法 O ( n 2 ) O(n^2) O(n2),但是如果采用分治策略:每次将点的集合一分为二,然后分别找距离最短的点 d L 、 d R d_{L}、d_{R} dL​、dR​。之后再从两个集合各取一个点寻找是否有更短的距离的存在。
  在该问题中治的环节为了保证是 O ( n ) O(n) O(n)的复杂度,将预先建立关于所有点的两个表P和Q,分别是以x排序和y排序的。每次治的时候先筛选横坐标满足 ∣ x ∣ < m i n ( d L , d R ) |x|<min(d_{L},d_{R}) ∣x∣<min(dL​,dR​)的点,然后再从中筛选 ∣ y ∣ < m i n ( d L , d R ) |y|<min(d_{L},d_{R}) ∣y∣<min(dL​,dR​)的点,计算它们的之间距离,并更新最小距离。**这两个条件其实包含了多余的点,但是保证一定不会漏点。**这样问题保证以 O ( n l o g n ) O(nlogn) O(nlogn)解决。

选择问题

以前在DSAA之快速选择排序(二)记录过这个问题,快速选择算法是对快速排序的一种妙用,同过枢纽元的选择,将问题的规模减少到原来的一半(理想),最终的平均时间复杂度为 O ( n ) O(n) O(n),但是最坏时间复杂度依然为 O ( n 2 ) O(n^2) O(n2)。
  可以发现快速选择和快速排序都十分依赖枢纽元的好坏,一种五划分中项的中项的枢纽元选择方法可以让快速选择算法的运行时间为 O ( n ) O(n) O(n),但是该方式的实现却没有那么容易,涉及的系统开销让该算法并不实用,所以这里不赘述。

4. 实战 Maximum Subarray

这里写图片描述

这个题以前分析过,但是今天重新做的时候,发现有些地方逻辑不熟练了。特别是治的环节,我一开始想one pass处理,但是犯了严重的逻辑错误:不是所有的case都是两边同时增长得到最大值。

#define MAX -99999
class Solution {
public:
    int maxSubArray(vector<int>& nums) {
        return divide_conquer(nums,0,nums.size()-1);
    }
    int divide_conquer(vector<int>& nums,int left,int right){
        int leftcross_max=MAX,rightcross_max=MAX,medium,leftmax,rightmax,conquer_max=0,max;
        if(left == right)
            return nums[left];
        medium=(left+right)/2;
        leftmax=divide_conquer(nums,left,medium);
        rightmax=divide_conquer(nums,medium+1,right);
        max=leftmax<rightmax? rightmax:leftmax;
        //conquer
        for(int i=medium,tmp=0;i>=left;--i){
            tmp+=nums[i];
            if(tmp > leftcross_max)
                leftcross_max=tmp;
        }
        for(int i=medium+1,tmp=0;i<=right;++i){
            tmp+=nums[i];
            if(tmp > rightcross_max)
                rightcross_max=tmp;
        }
        return max>rightcross_max+leftcross_max? max:rightcross_max+leftcross_max;
    }
};

5. 总结

一般分治算法都要遵循治的环节不大于线性时间复杂度。在一般解题的时候,拆分问题不是难点,如何治才是分治的难点。在编程上调用不少于两次递归,且将问题拆分成不重合的子问题属于标准的分治模板,但是时间复杂度不一定都遵循 O ( n l o g n ) O(nlogn) O(nlogn)。

npm install failed如何办? 上网搜索,说是网络配置不太对。按照如下几步,保证解决问题。在运行npm install指令时,出现如下错误。 阅读详情

相关推荐

嵌入式人工智能(18-基于树莓派4B的继电器JQC-3FF-S-Z)

本次实验的输出端控制不会接强电,就用LED灯来模拟即可,由于我那个流水灯模块是低电平点亮,所以接线稍有不同,同学们注意。只有继电器吸合,输出端的NO与COM就导通,给LED低电平然后就亮,否则继电器断开,NO与COM不导通,LED不亮。原理都一样,控制电流的接通与断开,这个模块看起来还简单点,毕竟还有2个指示灯,下端IN如接上电源红灯亮,继电器动作有电流通过绿灯亮。在实际应用中,可以通过编程控制继电器的通断状态,例如在Python编程中设置继电器模块的通断时间,从而实现自动化控制。

u010152658的博客 2533

【优选算法篇】分治乾坤,万物归一:在重组中窥见无声的秩序

本文深入探讨了归并排序的核心思想与进阶应用,围绕分治策略展开,从基础的数组排序到复杂的逆序对、翻转对和右侧更小元素计数,展示了归并排序在算法世界中的广泛应用。分治法通过“分而治之”的思想,将复杂问题拆解为更小的子问题,利用递归求解并合并结果,以高效优雅的方式完成任务。文章详细解析了归并排序的算法步骤,包括分区、排序、合并,同时通过实例讲解了在合并过程中统计复杂数量的技巧,如逆序对数量与翻转对的统计。此外,结合易错点提示和时间空间复杂度分析,文章为读者呈现了完整的归并排序学习路径。这不仅是一场算法的学习旅程,

半截诗的博客~ 5695

SAP-ML章<<<<第二节:物料账报错处理ABAP编程错误:RAISE_EXCEPTION>>>>

#SAP-ML章<<<<第一节:物料账报错处理ABAP编程错误:RAISE_EXCEPTION>>>> 1.物料账报错提示: ABAP编程错误:RAISE_EXCEPTION ABAP程序:SAPLFCML4H_RUN_PRICES应用组件CO-PC-ACT 2. 物料账报错背景: CKMLCP运行结算时 3. 解决方案: 通过DEBUG查看错误的地方 OKTZ:分析原因为:可能打包或者配置传输时弄错 ...

SAP.David.Gao的博客 1858

C/C++语言算法篇(二):分治算法

分治算法 首先呢,分治法就是把大问题分成若干小问题,接着就是解决小问题,大问题就可以顺手解决咯。分治法必须满足的条件是: (1)原问题可分解为若干个规模较小的相同子问题。 (2)子问题相互独立。 (3)子问题的解可以合并为原问题的解。 一般的步骤有: (1)分解:将要解决的问题分解为若干个规模较小、相互独立、与原问题形式相同的子问题。 (2)治理:求解各个子问题。由于各个子问题与原问题形式相同,...

m0_46198325的博客 4871

基于ST32 DAC7311数模转换器驱动代码及电路设计完整版

基于ST32的DAC7311模数转换器的电路设计及驱动代码完整版

qq_39626643的博客 3722

1.triton镜像使用

1)拉取镜像2)启动容器指定模型仓库时可以执行server下的./fetch_model.sh,见2.2部分GPU版本的启动CPU版本的启动区别只在于--gpus=1这个参数注意:docker19.03之前的版本使用gpu要指定显卡硬件名,docker19.03之后的需要安装nvidia-container-toolkit或nvidia-container-runtime安装之后要重启docker查看gpus参数是否安装成功重新执行我遇到了如下错误先使用非GPU版本的。

天启的博客 2077

【算法竞赛学习笔记】基础算法篇:分治

本文介绍了分治算法的核心思想与实现流程。分治通过将大问题拆解为结构相似的小问题(分解),解决基础情况(解决),再合并子问题答案(合并)来解决复杂问题。文章以归并排序为例演示了分治三步流程,并提供了Python实现代码;同时通过多数元素问题展示分治的实际应用,给出详细解题思路和代码实现。最后总结了分治的核心思想、关键步骤和典型应用,强调分治与递归的区别:分治是问题解决思想,递归是实现工具。

YZYZYYNO_2的博客 1091

Qt图形几何之QRect详解:从基础操作到高级功能全解析

本文全面介绍了Qt框架中的QRect类,详细解析了其核心功能和使用方法。主要内容包括:1)QRect的基本概念与多种构造函数;2)矩形属性获取和状态判断方法;3)几何操作函数(移动、调整大小等);4)几何关系判断(包含、相交等);5)坐标变换和边距处理;6)实用功能与QRectF转换;7)综合应用示例(图形界面、碰撞检测、布局管理);8)性能优化建议和常见陷阱。通过丰富的代码示例,展示了QRect在Qt图形编程中的实际应用,帮助开发者掌握矩形处理的各项操作技巧,提升图形界面开发效率。

专注现代C++实战,从核心语法到高性能编程,助力开发者深入掌握系统级编程精髓。 121

快速突破面试算法之分治算法篇

一、前言:分治的来源 根据博主的浅薄知识,我是这样理解的。分治、分治,我们分开来理解!把分治拆成分开和治理。 大家想想一个皇帝(是不是大家都有皇帝梦)想要统治一个国家,一般都不会他一个人管理每一个人,上至宰相、下至贫民。什么事都去找皇帝,他哪有时间快活啊。 所以聪明的皇帝就把自己管理的人分成了几个大模块,由自己信任的人去管理,他来管理这几个大模块的领袖。那岂不是皇帝就有很多快乐玩耍的时间了! 一个事情分开几块来做,有一个科学的术语叫做:解耦! 高内聚,低耦合!高...

qq_40262372的博客 725

在 ABAP Cloud 里优雅读取与解析 XML:用 sXML Reader 把接口数据落成结构化 ABAP

ABAP Cloud中XML解析实践 摘要:本文介绍了在ABAP Cloud环境下解析XML数据的最佳实践。针对企业系统中常见的XML格式数据,文章推荐使用sXML库中的CL_SXML_STRING_READER进行流式解析,而非传统的DOM方式。重点解析了命名空间(Namespace)、属性(Attribute)和CDATA等关键概念的处理方法,并比较了两种读取属性的策略:通扫所有属性(NEXT_ATTRIBUTE)和精准取值(GET_ATTRIBUTE_VALUE)。文章提供了完整的ABAP Cloud

2007 年 ~ 2025 年,深耕 SAP 技术 18 年 197

RT-DETR模型应用过程中的报错处理及疑问解答,涉及环境搭建、模型训练、模块改进、论文写作

本文记录了RT-DETR模型的这一系列过程中可能发生的问题,以及大家非常关心的问题,这里统一做了一个记录和解答。

Limiiiing的博客 1770

算法篇——分治

1、概念 分而治之,一个复杂的问题分为两个或更多相同或相似子问题,再把子问题分成更小的子问题……直到最后子问题可以简单的直接求解,原问题的解即子问题的解的合并。这个技巧是很多高效算法的基础,如排序算法(快速排序,归并排序),傅立叶变换(快速傅立叶变换)…… 2、思想 用于分治的子问题互相独立且与原问题形式相同,递归地解这些子问题,然后将各子问题的解合并得到原问题的解。这种算法设计策略叫做分治法。 ...

yuandong_D的博客 320

Python爬虫实战:新浪财经股票金融数据全方位抓取教程

本教程系统介绍了新浪财经股票数据爬取技术,从静态网页解析、实时接口请求到异步爬取和数据存储,帮助你搭建了一个完整的金融数据采集流程。未来,可以结合深度学习模型进行行情预测,或者将数据接入量化交易系统,实现自动化投资。

2201_76125261的博客 2210

【优选算法篇】:分而治之--揭秘分治算法的魅力与实战应用

分治算法()是一种重要的算法设计范式。它的核心思想是将一个复杂的,规模较大的问题分解成若干个规模比较小,相互独立且与原问题类型相干的子问题,然后逐个解决这些子问题,最后再将子问题的解合并成原问题的解。

2301_82347435的博客 1071

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

分治算法(算法篇)

分治算法跟贪心一样,也是一种思想策略

hellmorning的博客 472

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

【算法篇】6.分治

【算法篇】力扣刷题之分治(含hot100)

金哥的博客 372

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

【每天学一点 - 算法篇 - 设计技巧 - 分治算法】

系列文章目录 【每天学一点 - 算法篇 - 设计技巧 - 贪婪算法】 文章目录系列文章目录前言一、什么是分治算法二、分治算法原理1、示例2、思路3、抽象总结 前言 按理说分治算法挺常见的,所以力扣是不是膨胀了,我是好一通翻腾才找一个不是排序的分治算法题 一、什么是分治算法 经典应用就是排序,归并排序和快速排序都是分治算法的思路 【每天学一点 - 算法篇 - 排序 - 归并排序】 【每天学一点 - 算法篇 - 排序 - 快速排序】 简单理解就是将一个大的不好解决的问题, 拆分成中等的问题,再拆分成小问题

破晓星芒的博客 349

【优选算法篇】分治策略,速战速决:快速选择排序的神奇之处(下篇)

快速选择算法():时间复杂度为O(n)(平均情况),适用于大多数情况,避免了不必要的排序。堆排序法(Heap):时间复杂度为O(n log k),适合K较小的情况。排序法:时间复杂度为O(n log n),简单易懂,但效率较低。O(n log n),但可以通过调整递归范围来优化。计数排序法:适用于元素范围较小的情况,时间复杂度为O(n + m)。2.4 算法的时间复杂度平均时间复杂度:在平均情况下,快速选择算法的时间复杂度为O(n),因为每次分区后,问题规模大约减半。

braveact的博客 1292

带你吃透分治算法(二)矩阵相乘

分治策略(二) 我们在上一篇博文介绍了分治策略思想以及解决最大子数组的问题。 见:带你吃透分治算法之最大子数组 下面我们来介绍应用分治思想解决“矩阵相乘问题”(虽然用分治策略解决矩阵相乘问题时间复杂度不低,但是它反映的是一种思想,当我们遇到棘手问题不好解决,往往先找到能够解决的办法比找到最优办法更重要) 矩阵乘法 矩阵乘法我们应该都有所了解,若矩阵A和矩阵B均是nxn的方阵,则定义乘积C=A·B中的元素c(i,j)为: 暴力解法: 暴力解法就是按照矩阵乘积定义进行运算,得到最终的C矩阵,时间复杂度为O(n

qq_42642142的博客 5849

算法之分治算法

换句话说,将大问题分解为多个子问题、解决子问题、将子问题的解合并为原问题的解,这几步的效率为什么比直接解决原问题的效率更高?:快速排序是选取一个基准值,然后把数组分为两个子数组,一个子数组的元素比基准值小另一子数组的元素比基准值大,然后再对这两部分进行相同的划分操作,直至子数组只剩下一个元素。:桶排序的基本思想是将数据分散到多个桶,然后对每个桶内的元素进行排序,最后将各个桶的元素依次取出,从而得到一个有序数组。:该算法首先将点集分成两部分,然后分别找出两部分中的最近点对,最后再找出跨越两部分的最近点对。

cqdddgs的博客 5303

分治算法/分治思想

分治算法的基本思想:将一个问题分解为n个相互独立且与原问题性质相同的子问题,通过逐个解决小问题,从而解决整个问题。(逐个击破,分而治之 分治算法是很多高效算法的基础。包括排序算法(快速排序,归并排序),查找算法(二分查找),傅立叶变换(快速傅立叶变换)…… 采用分治算法能解决问题有以下特征: 原问题规模大,不易解决。但原问题可缩小且到一定程度就可以容易解决。 原问题可以分解成若干规模较小、求解方式相似的子问题。且各个子问题之间相互独立、互不影响。 ...

Beatr1ce的博客 8585

c++算法之基本算法篇 - 分治法

分治法是一种重要的算法设计思想,通过"分而治之"策略将复杂问题分解为若干相同形式的子问题。本文详细介绍了四个经典分治算法:1.汉诺塔问题(O(2^n)时间复杂度)展示递归分治思想;2.快速幂运算(O(logn)时间复杂度)通过数学分解降低计算复杂度;3.归并排序(O(nlogn)稳定排序)采用分治策略实现高效排序;4.快速排序(O(nlogn)平均时间复杂度)基于基准元素分区排序。这些算法体现了分治法的核心三步骤:分解、解决、合并,适用于可分解且子问题解可合并的问题。文章还提供了C++代

巴巴博一巴巴博一巴巴博一 513

树分治-点分治(超级易懂版)

点分治是一种基于分治思想来处理树上路径问题的算法。本文将会用较好理解的方式去分享这个算法。

m0_73666576的博客 2593

算法篇----分治(快排)

所谓的分治,实际上就是利用排序算法将一个数组排列成按照特定规律的顺序的样子。

2401_85878549的博客 1389

分治、CDQ分治小结

分治、CDQ分治小结 A Summary for Divide and Conquer 0. Anouncement 本文部分图片以及部分内容来自互联网,内容过多就不一一注明出处了,冒犯之处还请海涵。  Some of the pictures and the content of the text come from the Internet.  Due to plenty of

Tham 在思索中前行! 8259

算法小课堂(二)递归与分治

算法设计与分析是计算机科学的一个重要领域,其目的是设计高效的算法并评估其性能。递归与分治是算法设计与分析中两个基本的概念。递归是一种解决问题的方法,其中问题被逐步分解为更小的子问题,直到问题的规模变得足够小,可以直接解决。递归算法通常包括一个递归函数,该函数调用自身来解决更小的子问题,直到达到基本情况,然后返回结果。递归算法在许多领域都有应用,如排序、搜索、树和图等数据结构的操作。分治是一种算法设计策略,其中问题被分成相互独立的子问题,这些子问题分别求解,然后将它们的解合并起来以得到原始问题的解。

qq_62377885的博客 1454
上一篇: 从零开始算法篇之贪婪(一)
下一篇: APUE查缺补漏之关于死锁
LoveStackover
博客等级 码龄9年 14粉丝 57原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值